基于模仿學(xué)習(xí)和隱馬爾可夫模型的人機交互研究.pdf

1、近幾年來隨著機器人產(chǎn)業(yè)的發(fā)展，越來越多的機器人從實驗室和工廠中走入人們的生活中。人與機器人越來越多的接觸對機器人提出了新的要求。機器人需要有足夠的適應(yīng)能力適應(yīng)變化的環(huán)境。此外，機器人的動作還需要能模仿人類的動作，讓這些動作從人類的角度看起來自然而舒適。過去的機器人需要針對它們需要執(zhí)行的每一個任務(wù)進行繁復(fù)的人工編程，即使在今天，絕大多數(shù)機器人仍是這么做的。但對需要在日常生活中與沒有專業(yè)知識的用戶進行交互的機器人來說，人們很難想象如何提前考

2、慮好機器人在生活中所可能面對的所有任務(wù)，并針對這些任務(wù)編寫好程序。這要求機器人能夠通過一個簡單直觀的方式學(xué)習(xí)新任務(wù)所要求的動作，并且要求所學(xué)會的動作具有魯棒性與適應(yīng)性。本文針對人機交互中存在的上述問題基于模仿學(xué)習(xí)與隱馬爾可夫模型展開了研究。
　　本文基于隱馬爾可夫模型對人手的動作序列進行建模，從而識別人類意圖。本文提出了一種簡潔有效的人手動作序列識別算法,采用三維角度編碼方式，對人手位置進行編碼。然后利用 Baum-Welch算法

3、結(jié)合前向后向算法從編碼數(shù)據(jù)中學(xué)習(xí)模型參數(shù)。此外本文引入閾值模型來區(qū)分已定義動作和未定義動作。當(dāng)用戶做出動作時，本文利用前向后向算法，迭代計算在各個模型參數(shù)下出現(xiàn)當(dāng)前觀測的概率。
　　傳統(tǒng)的基于模仿學(xué)習(xí)的人機交互問題的研究大部分都是基于DMPs（Dynamic Motor Primitives）方法所做的，DMPs方法雖然能夠在機器人具有高自由度的時候保持較高效率。但DMPs方法無法應(yīng)對時間上的擾動，并且不能將多條演示軌跡整合到一個

4、動力學(xué)系統(tǒng)中。本文假設(shè)人類會根據(jù)交互距離的不同采取不一樣的交互動作。基于這個假設(shè)，本文對機器人和人類在日常場景中的交互進行了研究。針對DMPs方法所存在的問題，筆者引入了SEDS方法來基于演示學(xué)習(xí)軌跡。SEDS方法基于高斯混合模型設(shè)計了一個非線性動力學(xué)系統(tǒng)，在滿足所要求約束的前提下，這個動力學(xué)模型在目標點上是全局漸進穩(wěn)定的。其中高斯混合模型的參數(shù)可以基于演示軌跡利用非線性最優(yōu)化方法結(jié)合EM算法獲得。
　　為了驗證本文提出的方法的可